XiaoMi-AI文件搜索系统
World File Search SystemOptimization
智能变压器中性点电流优化控制...
摘要 — 在三相四线低压配电系统中，不平衡负载会导致中性电流 (NC) 形成环路，从而导致功率损耗增加和中性电位变化。与传统电力变压器相比，智能变压器 (ST) 具有严格的电流限制以避免过流。然而，其在下游低压电网电压调节方面的优势可以提供调节过度 NC 的能力。本文提出了一种闭环 NC 优化控制，一方面，在满足标准 EN 50160 要求的正常运行中最小化 NC 电流，另一方面，在极端情况下抑制 NC 电流以避免 ST 过流损坏。根据曼彻斯特地区三相四线配电网，通过硬件在环设置和基于不平衡负载曲线下的 350kVA、10kV/400V、ST 供电配电网的案例研究，通过实验测试验证了所提出的控制策略。结果清楚地证明了所提出的NC优化控制策略对NC抑制和最小化的有效性和灵活性。
用于评估和优化靶向嵌合体（Protacs）
摘要：靶向蛋白质降解的领域呈指数增长。然而，对提供机械见解的药代动力学/药效学模型的需求未满足，同时在药物发现环境中实际上也很有用。因此，我们已经开发了一个全面的建模框架，可以应用于常规项目的实验数据，到：（1）基于准确的降解指标评估Protac，（2）指导最关键参数的化合物优化，（3）将降解降解到下游药物效应。所提出的框架包含了许多第一个特征：（1）一种机械模型，可以在Protac浓度降解中效应钩子效应，（2）（2）量化靶占用作用在Protac动作机制中的作用和（3）靶向降解和靶标的proticat效应的效应的靶标在protak protica的作用机制中的作用和靶标的proticat效应的效应。为了说明适用性并建立信心，我们采用了这三种模型来分析来自不同项目和目标的各种化合物的示例性数据。提出的框架使研究人员可以量身定制其实验性工作，并更好地了解其结果，最终导致更成功的Protac发现。这里的重点在于体外药理学实验，但还讨论了体内研究的关键含义。
镍基高温合金增材制造激光重熔工艺模拟与优化
摘要：镍基高温合金具有优异的耐腐蚀和耐高温性能，在能源和航空航天工业中广受欢迎。镍合金的直接金属沉积 (DMD) 已达到技术成熟度，可用于多种应用，尤其是涡轮机械部件的修复。然而，DMD 工艺过程中的零件质量和缺陷形成问题仍然存在。激光重熔可以有效地预防和修复金属增材制造 (AM) 过程中的缺陷；然而，很少有研究关注这方面的数值建模和实验工艺参数优化。因此，本研究的目的是通过数值模拟和实验分析来研究确定重熔工艺参数的效果，以优化 DMD 零件修复的工业工艺链。热传导模型分析了 360 种不同的工艺条件，并将预测的熔体几何形状与流体流动模型和选定参考条件下的实验单轨观测值进行了比较。随后，将重熔工艺应用于演示修复案例。结果表明，模型可以很好地预测熔池形状，优化的重熔工艺提高了基体和 DMD 材料之间的结合质量。因此，DMD 部件制造和修复工艺可以从此处开发的重熔步骤中受益。
ASSR中的位置分配问题的量子优化
AS/RS（自动存储和检索系统）是一个具有质量的存储和运输系统，可以通过自动化产品的可容纳和存储产品来实现有效的仓库管理。自动化具有诸如降低人工成本和工作时间，改善工作质量以及准确管理库存差异的优点（Roodbergen＆Vis，2009年）。但是，从自动仓库中挑选效率会受到货架上放置的产品位置的影响，如果效率很差，它将成为整个运输过程中的瓶颈。为了提高采摘效率，应将具有较高频率的产品放置在检索端口附近。或，如果您使用的是两叉式起重机，则有必要将架子彼此靠近，以便可能同时检索的产品。这些问题被总体视为放置优化问题。设施布局问题在各种现实世界中起着至关重要的作用。它涉及在给定的资源和约束下优化多个元素或对象的布置。例外包括设施安置（De Vries，Van de Klundert和Wagelmans，2020年），交付路线优化（Aljohani，2023年）和工厂布局设计（Li，Wang，Fan，Yu，Yu，＆Chu，2021年）。解决设施的布局问题提供了几种好处
在电线和基于电弧的定向
[2] S. M. Thompson，L。Bian，N。Shamsaei和A. Yadollahi，“添加剂制造的直接激光沉积概述；第一部分：运输现象，建模和诊断，” Addive Manufacturing，第1卷。8，pp。36-62，2015年10月。[3] V. T. Le，H。Paris和G. Mandil，“使用增材和减法制造技术的直接零件再利用策略的制定”，《增材制造》，第1卷。22，pp。687-699，2018年8月。[4] V. T. Le，H。Paris和G. Mandil，“在再制造环境中合并添加剂和减法制造技术的过程计划”，《制造系统杂志》，第1卷。44，否。1，pp。243-254，2017年7月。[5] A. Ramalho，T。G. Santos，B。Bevans，Z。Smoqi，P。Rao和J. P. Oliveira，“污染对316L不锈钢线和ARC添加性生产过程中声学发射的影响”，Addived Manufacturing，第1卷。51，第1条。102585，2022年3月。[6] S. Li，J。Y. Li，Z。W. Jiang，Y。Cheng，Y。Z. Li，S。Tang等人，“控制Inconel 625的定向能量沉积期间的柱状到等式的过渡”，Addy Manufacturing，第1卷。57，第1条。102958，2022年9月。[7] T. A. Rodrigues，N。Bairrão，F。W。C. Farias，A。Shamsolhodaei，J。Shen，J。Shen，N。Zhou等人，“由Twin-Wire和Arc添加剂制造（T-WAAM）生产的钢 - Copper功能渐变的材料（T-WAAM）”，材料＆Designs，第1卷。213，第1条。110270，2022年1月。66，否。8，pp。1565-1580，2022年8月。32，否。[8] V. T. Le，D。S. Mai，M。C. Bui，K。Wasmer，V。A. Nguyen，D。M. Dinh等，“过程参数和热周期的影响，对308L不锈钢墙的质量，该材料由添加剂生产产生的308L不锈钢墙，使用弧形焊接来源，使用弧形焊接源，焊接，焊接，焊接，”。[9] D. Jafari，T。H。J. Vaneker和I. Gibson，“电线和电弧添加剂制造：控制制造零件的质量和准确性的机遇和挑战”，《材料与设计》，第1卷。202，第1条。109471，2021年4月。[10] S. W. Williams，F。Martina，A。C. Addison，J。Ding，G。Pardal和P. Colegrove，“ Wire + Arc添加剂制造”，《材料科学与技术》，第1卷。7，pp。641-647，2016。[11] W. E. Frazier，“金属添加剂制造：评论”，《材料工程与性能杂志》，第1卷。23，否。6，pp。1917-1928，2014年6月。[12] J. Xiong，Y。Li，R。Li和Z. Yin，“过程参数对基于GMAW的添加剂制造中多层单频薄壁零件的表面粗糙度的影响”，《材料加工技术杂志》，第1卷。252，pp。128-136，2018年2月。[13] V. T. Le，“基于气体弧焊接的金属零件添加剂制造的初步研究”，VNUHCM科学技术杂志，第1卷。23，否。1，pp。422-429，2020年2月。58，否。4，pp。461-472，2020年7月。[15] W. Jin，C。Zhang，S。Jin，Y。Tian，D。Wellmann和W. Liu，“不锈钢的电弧添加剂制造：审查”，《应用科学》，第1卷。[14] V. T. Le，Q。H。Hoang，V。C. Tran，D。S. Mai，D。M. Dinh和T. K. Doan，“焊接电流对由薄壁低碳构建的形状和微观结构形成的影响，由电线添加剂制造建造的薄壁低碳零件”，《越南科学和技术杂志》，第1卷。10，否。5，第1条。1563，2020年3月。[16] T. A. Rodrigues，V。Duarte，J。A. Avila，T。G。Santos，R。M。Miranda和J. P. Oliveira，“ HSLA钢的电线和弧添加剂制造：热循环对微结构和机械性能的影响”，《增材制造》，第1卷。27，pp。440-450，2019年5月。[17] J. G. Lopes，C。M。Machado，V。R。Duarte，T。A。Rodrigues，T。G。Santos和J. P. Oliveira，“铣削参数对电线和弧添加剂生产产生的HSLA钢零件的影响（WAAM）”，《制造工艺杂志》，第1卷。59，pp。739-749，2020年11月。[18] A. V. Nemani，M。Ghaffari和A. Nasiri，“通过传统滚动与电线弧添加剂制造制造的船建造钢板的微观结构特性和机械性能的比较，”添加剂制造业，第1卷。32，第1条。101086，2020年3月。[19] P. Dirisu，S。Ganguly，A。Mehmanparast，F。Martina和S. Williams，“对线 +电线 + ARC添加剂生产的高强度高强度低合金结构钢组件的裂缝韧性分析”，材料科学与工程：A，第1卷，第1卷。765，第1条。138285，2019年9月。787，第1条。139514，2020年6月。[20] L. Sun，F。Jiang，R。Huang，D。Yuan，C。Guo和J. Wang，“各向异性机械性能和低碳高强度钢分量由Wired and Arc添加剂制造制造的低强度钢组件的变形行为”，材料科学和工程学：A，A，第1卷。[21] https://doi.org/10.1007/s11665-022-06784-7
通过控制和设计共选
软机器人利用合规的材料以灵活的方式与复杂和不确定的环境相互作用，从而可以操纵脆弱的物体并与生物的安全相互作用。它们的适应性推动了医学和制造等领域的创新。设计软机器人即使对于经验丰富的设计师，由于其非线性材料，多物理耦合，多个身体与环境之间的复杂相互作用及其许多自由度，即使对于经验丰富的设计师来说也很具有挑战性。这解释了为什么软机器人技术中的第一批设计受到自然的启发，模仿了诸如蠕虫或章鱼之类的软动物。软体能够符合硬对象并重新配置DI FF任务，然后将控制的重要部分委派给身体。与刚性机器人不同，体现的智能仍然是软机器人技术中的新兴话题。但是，很明显，可以很好地适应其环境的代理商可以快速学习智能行为。本文摆脱了传统的训练控制和敏捷性的关注，旨在通过将人工智能与软机器人设计联系起来来应对控制挑战。软机器人技术领域在建模，控制和设计方面提出了许多挑战。Inria Lille的除霜团队已经开发了几种有限元方法（FEM）的工具来应对这些挑战，从而可以准确地模拟软机器人。这些工具已用于低级控制，并在制造前评估了软机器人设计。此探索需要解决一些挑战。在这项工作中，应用了各种基于FEM的仿真和数值优化工具来探索软机器人的计算设计。设计空间必须非常大，才能探索相关的设计，但也受到了足够的限制，以使优化问题可以解决。开发相关的数学适应性功能对于准确评估软机器人设计的性能和效果至关重要。鉴于计算设计算法的重要数据要求和准确模拟的计算费用，我们旨在通过选择平衡计算时间和准确性的模型或使用学习技术来加速FEM模拟来加快模拟的速度。本论文探讨了软机器人的计算设计，重点是对数值结果的模拟到真实性。解决了两个参数软操作器的设计优化，一个具有嵌入式传感器，另一个具有自动接触功能。随着控制任务，环境和设计空间变得更加复杂，计算负担增加。这激发了从FEM模拟中学到的替代模型的发展，以表征软机器人的设计和控制。通过各种情况证明了该模型的适用性，特别是对气动操纵器的嵌入式控制和软操作器的计算设计。此外，这项工作的一个关键目标是开发工具以选择软机器人设计和控制。
优化农杆菌介导的大豆毛状根体外和体外转化，以便使用可视化方法筛选转化子
体外和体外农杆菌介导的毛状根转化 (HRT) 测定是植物生物技术和功能基因组学工具包的关键组成部分。在本报告中，使用 RUBY 报告基因优化了大豆的体外和体外 HRT。评估了不同的参数，包括农杆菌菌株、细菌细胞培养物的光密度 (OD 600 )、共培养基、大豆基因型、外植体年龄以及乙酰丁香酮的添加和浓度。总体而言，就毛状根和转化根（表达 RUBY ）的诱导百分比而言，体外测定比体外测定更有效。尽管如此，体外技术被认为更快且方法更简单。在 cv 的 7 天大子叶上观察到了 RUBY 的最高转化。 Bert 用 R1000 接种 30 分钟，R1000 悬浮在 ¼ B5 培养基中，OD 为 600 (0.3)，乙酰丁香酮含量为 150 µM。该测定的参数还通过两步体外毛状根转化获得了最高百分比的 RUBY。最后，使用基于机器学习的建模，进一步确定了两种测定的最佳方案。本研究建立了适用于大豆功能研究的高效可靠的毛状根转化方案。
在扩散模型中使用令牌优化的开放式摄取注意图
扩散模型代表文本到图像生成中的新范式。除了从文本提示中生成高质量的图像之外，诸如稳定扩散之类的模型已成功扩展到了共同生成的分段伪遮罩。但是，当前的敏感主要依赖于提取与用于图像合成的及时单词相关的关注。这种方法限制了从文本提示中未包含的单词代币中得出的分割掩码的产生。在这项工作中，我们介绍了开放式摄影注意力图（OVAM） - 用于文本到图像扩散模型的无训练方法，可为任何单词生成注意力图。此外，我们提出了一个基于OVAM的轻巧优化过程，用于查找具有单个注释的对象类的准确注意图。
实用的贝叶斯优化机器学习算法
机器学习算法的使用经常涉及对学习参数的仔细调整和模型超参数。不幸的是，这种调整是一种“黑色艺术”，需要专家经验，经验法规或有时是蛮力搜索。因此，自动方法可以很好地呼吁，可以优化任何给定的学习算法的性能。在这项工作中，我们通过贝叶斯选择的框架来考虑这个问题，其中学习算法的概括性能是从高斯过程（GP）中建模为样本的。我们表明，对于GP性质的某些选择，例如内核的类型及其超级参数的处理，可以在获得可以实现专家级别的良好优化器方面发挥至关重要的作用。我们描述了新的算法，这些算法考虑了学习算法实验的可变成本（持续时间），并且可以利用多个内核的主体进行并行实验。我们表明，这些提出的算法可以改善以前的自动过程，并且可以针对许多算法（包括潜在的Dirichlet分配，结构化SVM和卷积神经网络）达到或超越人类专家级别的优化。